医学影像技术作为一种医疗辅助手段在心血管疾病的诊疗过程中发挥着不可替代的作用。其中经食管超声心动图（Transesophageal Echocardiography，TEE）凭借其可靠性和较高的成像质量成为目前在临床中广泛使用的新型心血管超声技术。TEE根据超声探头插入深度和角度的不同可以获得多达180个不同的切面，过多且复杂的切面，不仅降低了医生的工作效率还容易产生误诊和漏诊。而在临床诊断中通过其中的六个标准切面就能够诊断大部分的心脏疾病，因此，标准病例诊断切面自动识别具有重大的临床意义。　　本文基于数字图像理论和机器学习理论，并针对超声图像的成像特点，按照图像自动识别技术的一般流程，即收集数据、准备数据、分类器训练等，对超声心动图病例诊断切面自动识别算法关键步骤进行详细阐述。本文在各章节中通过对比分析几种常用的算法，指出各算法在超声图像应用中存在的不足，并针对这些不足提出一些特殊的处理技巧或改进方法，具体如下:　　在收集数据阶段，针对构建超声图像数据集的特殊目的，提出一种简单有效的超声视频关键帧提取方法。该方法相比于人工构建数据集能够大幅节约人力成本和时间成本，同时也能够减少人为的因素对数据集带来的不确定性。　　在准备数据阶段，针对超声图像信噪比和对比度较低的特点，提出一种基于各向异性改进的水平集超声图像去噪算法，并通过实验对比，证实该方法既能够有效去除噪声，又能够很好地保留甚至增强图像的细节信息。　　在分类器训练阶段，首先针对特征向量维数较高且存在大量无效零值特征的缺点，提出对超声图像进行旋转、只对感兴趣区域提取特征等处理技巧，从而有效地减少分类器训练时间和错误率;然后，利用当下最流行的支持向量机算法和AdaBoost算法分别训练模型，并通过引入投票机制来提高分类器对于超声视频分类的正确率。